python人工智能必学

如果你打算采用Python作为主要开发语言，那么Python的开发基础是必须得掌握的，这是一切基于Python开发的根基。你得对Python的基本语法、数据类型、常见模块有所了解，能正确使用条件、循环等逻辑，掌握list、dict等数据结构及其常用操作，了解函数、模块、面向对象的概念和使用等等。

 

在对此已经熟练之后，你需要学习数据处理相关的Python工具库：

NumPy

NumPy提供了许多数学计算的数据结构和方法，较Python自身的list效率高很多。它提供的ndarray大大简化了矩阵运算。

Pandas

基于NumPy实现的数据处理工具。提供了大量数据统计、分析方面的模型和方法。一维的Series，二维的DataFrame和三维的Panel是其主要的数据结构。

SciPy

进行科学计算的Python工具包，提供了诸如微积分、线性代数、信号处理、傅里叶变换、曲线拟合等众多方法。

Matplotlib

Python最基础的绘图工具。功能丰富，定制性强，几乎可满足日常各类绘图需求，但配置较复杂。

只要你用Python和数据打交道，就绕不开以上这几个库，所以务必学习一下。

而在此之后，你就需要根据自己的具体方向，选择更专业的工具包进行研究和应用。

Python在人工智能方面最有名的工具库主要有：

Scikit-Learn

Scikit-Learn是用Python开发的机器学习库，其中包含大量机器学习算法、数据集，是数据挖掘方便的工具。它基于NumPy、SciPy和Matplotlib，可直接通过pip安装。

TensorFlow

TensorFlow最初由Google开发，用于机器学习的研究。TensorFlow可以在GPU或CPU上运行，在深度学习领域表现优异。目前无论是在学术研究还是工程应用中都被广泛使用。但TensorFlow相对来说更底层，更多时候我们会使用基于它开发的其他框架。

Theano

Theano是成熟而稳定的深度学习库。与TensorFlow类似，它是一个比较底层的库，适合数值计算优化，支持GPU编程。有很多基于Theano的库都在利用其数据结构，但对于开发来说，它的接口并不是很友好。

Keras

Keras是一个高度模块化的神经网络库，用Python编写，能够在TensorFlow或Theano上运行。它的接口非常简单易用，大大提升了开发效率。

Caffe

Caffe在深度学习领域名气很大。它由伯克利视觉和学习中心（BVLC）和社区贡献者开发，具有模块化、高性能的优点，尤其在计算机视觉领域有极大的优势。Caffe本身并不是一个Python库，但它提供了Python的接口。

PyTorch

Torch也是一个老牌机器学习库。Facebook人工智能研究所用的框架是Torch，DeepMind在被谷歌收购之前用的也是Torch（后转为TensorFlow），足见其能力。但因Lua语言导致其不够大众。直到它的Python实现版本PyTorch的出现。

MXNet

亚马逊AWS的默认深度学习引擎，分布式计算是它的特色之一，支持多个CPU/GPU训练网络。

借助这些强大的工具，你已经可以使用各种经典的模型，对数据集进行训练和预测。但想成为一名合格的人工智能开发者，仅仅会调用工具的API和调参数是远远不够的。

Python是人工智能开发的重要工具，编程是此方向的必备技能。但并不是掌握Python就掌握了人工智能。人工智能的核心是机器学习（MachineLearning）和深度学习。而它们的基础是数学（高等数学/线性代数/概率论等），编程是实现手段。

所以你想要进入这个领域，除了编程技能外，数学基础必不可少，然后还要去了解数据挖掘、机器学习、深度学习等知识。

Python学习教程http://www.mobiletrain.org/study/